ARTICLE · 1041161
AI开始替你“画流式门”了
做流式的人都知道，真正费时间的不只是上机，还有：
圈门。
marker越来越多以后，人工gating不仅越来越复杂，不同实验人员画出来的门还可能不一样。
2026年，Nature Communications 发表：
ConvexGating infers gating strategies from clusters in single cell cytometry data
研究团队开发了一个AI工具：
ConvexGating
它可以把高维单细胞数据中的聚类结果，自动翻译成真正可以在流式分选仪上执行的二维层级门控策略。
聚类得到目标细胞 → AI选择marker → 自动画polygon gate → 生成sorting strategy。
01 它不是自动“分析流式”，而是直接告诉你门怎么画
高维分析现在已经可以用Leiden、PhenoGraph等方法，在几十个marker里找到细胞群。
但问题是：
UMAP上的一个cluster，没办法直接拿去分选。
你最终还是得回到FlowJo里思考：
“先圈哪两个marker？”
“下一层用什么？”
“门画在哪里？”
ConvexGating解决的就是这个断层。
它首先从所有marker里自动寻找最能区分目标细胞和其他细胞的两个marker，然后在二维空间中通过随机梯度下降学习一个凸多边形gate，再用convex hull进一步收紧边界。之后继续选择下一对marker，直到precision、recall和F1不再明显改善。
简单来说：
Cluster → Marker selection → Gate → 下一层Gate → 可执行分选方案
而且它特别强调：
purity优先。
因为真正做cell sorting时，混入别的细胞往往比少收一点目标细胞更麻烦。
02 AI画出的门，真的很像人工门
作者首先在人外周血DC和单核细胞数据中测试。
以non-classical monocyte为例，ConvexGating自动生成三层门控方案，最终得到：
Precision = 0.98Recall = 0.79F1 = 0.87
而且整体策略与传统人工gating高度相似，在未见过的新样本中也保持稳定。
可以直接看到AI给出的三层polygon gate，非常像真实FlowJo操作。
03 人工圈门到底有多主观？
作者还专门做了一个实验：
同样的27-marker PBMC数据，让7名有流式经验的实验人员分别做manual gating。
结果发现，大类细胞总体还算一致，但到了：
DC、cDC、intermediate monocyte、non-classical monocyte
这些边界模糊或稀有群体时，不同实验人员的分类差异明显增加。
ConvexGating则可以从聚类结果直接反推分选策略。
例如对pDC，它自动得到一个非常简洁的两步方案：
CD57⁻ CD123⁺
↓
CD13⁻ CD45RA⁺
而不需要先按照传统思路一级一级经过“父细胞群”。
这个特点对于稀有细胞亚群尤其有价值。
04 最关键：AI画的门真的拿去上机分选了
这篇文章最重要的地方，不是计算benchmark。
作者真的按照ConvexGating给出的门控方案进行了：
FACS sorting。
然后分选：
CD8⁺ naive T cells
和
CD8⁺ TEMRA cells
再对单细胞进行FLASH-seq验证身份。
结果Fig.4非常直观：
传统人工门控 TEMRA纯度：85.31%
ConvexGating：97.43%
而单细胞转录组进一步确认，AI分选出来的细胞确实具有正确的TEMRA分子特征。
直接放85.31% vs 97.43%的柱状图，是全文最有传播力的一张。
而且这种优势不只存在于免疫细胞。
作者在脂肪组织的adipocyte progenitor中也看到，ConvexGating对部分亚群能够获得更高的分选纯度。
05 它还能帮你“反向设计流式panel”
这可能是对实验设计最实用的一点。
作者把ConvexGating应用到：
CITE-seq
cyTOF
FACS
三个不同平台。
例如，在高维CITE-seq数据中先找到疾病相关的CD16⁺ T细胞以后，再让ConvexGating反推：
如果我真正想在普通流式里把这群细胞分出来，到底最少需要哪些抗体？
最后得到一个只有5个marker的panel：
CD3 + CD4 + CD8 + CD16 + HLA-DR
令人意外的是，这个minimal panel识别CD16⁺ T细胞的表现甚至比完整FACS panel略有提高。
CITE-seq 192 markers → cyTOF 40 markers → FACS 15 markers → 最终压缩到5-marker panel。
也就是说：
单细胞发现新群体 → AI找marker → 设计流式panel → 真正把细胞分出来
这条链开始被打通了。
06 它不是“AI完全取代人工圈门”
这篇文章也没有把ConvexGating包装成万能工具。
首先，它选择marker主要依据的是：
数据上的可分性
而不是“这个marker在生物学上是不是最经典”。所以AI偶尔可能选出实验人员觉得很奇怪、但统计上很好用的marker，最终仍然需要领域知识判断。
其次，把高维数据压回二维polygon gate，本身就会损失一些分类能力。
像RBF-SVM这样的复杂模型在部分任务中分类性能更高，但问题是：
它给你的决策边界没办法真正画到流式仪上。
ConvexGating牺牲了一部分极致分类能力，换来的却是：
可解释 + 可复现 + 真能拿去分选。
写在最后
这篇文章真正有意思的地方，不是：
“AI比人圈门更准。”
而是它把以前彼此分开的两件事连接起来了：
高维单细胞计算分析
和
真实细胞分选实验。
过去是：
单细胞聚类发现新亚群
→ “挺有意思”
→ 然后重新人工设计流式panel。
现在开始变成：
Clustering
→ AI找最佳marker
→ 自动生成polygon gating
→ 设计minimal panel
→ FACS真正分出来
→ scRNA-seq验证
这对稀有免疫细胞、新疾病相关细胞亚群，以及从scRNA/CITE-seq发现结果走向湿实验验证，都非常实用。
论文：ConvexGating infers gating strategies from clusters in single cell cytometry data
Nature Communications, 2026, 17:9975。
往期好文推荐
往期课程推荐
